發(fā)布時(shí)間：2021-06-30 10:25

　　互聯(lián)網(wǎng)和信息技術(shù)的迅速發(fā)展,使Web上信息量以指數(shù)級(jí)別迅速增長(zhǎng),巨大的信息源使人們面臨著嚴(yán)峻的信息過(guò)載問(wèn)題,因而出現(xiàn)了能夠有效應(yīng)對(duì)信息過(guò)載問(wèn)題的推薦系統(tǒng),并已應(yīng)用于各個(gè)領(lǐng)域。推薦系統(tǒng)中最常使用的基于評(píng)分?jǐn)?shù)據(jù)的協(xié)同過(guò)濾算法被廣泛研究與應(yīng)用,但數(shù)據(jù)稀疏性問(wèn)題嚴(yán)重制約了該模型的推薦效果,另一方面其只考慮了用戶(hù)對(duì)商品的評(píng)分信息,忽視了大量可以利用的包含了更加豐富且有價(jià)值的信息資源的用戶(hù)評(píng)論信息,可以構(gòu)造模型挖掘評(píng)論文本中的用戶(hù)和商品特征,用于推薦系統(tǒng)。因此為了緩解評(píng)分矩陣的稀疏性,提高推薦質(zhì)量,相繼提出了基于多源異構(gòu)數(shù)據(jù)（評(píng)論文本、社交網(wǎng)絡(luò)等）的推薦模型,但往往不能充分挖掘用戶(hù)和商品的高階抽象特征,而深度學(xué)習(xí)技術(shù)在挖掘高階特征方面表現(xiàn)良好。因此,針對(duì)上述問(wèn)題,使用深度學(xué)習(xí)技術(shù)來(lái)處理評(píng)論文本信息并結(jié)合傳統(tǒng)推薦算法,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)混合推薦算法具有重要的意義。本文從用戶(hù)-商品評(píng)論文本入手,結(jié)合卷積神經(jīng)網(wǎng)絡(luò),通過(guò)分析同一用戶(hù)對(duì)不同商品的評(píng)論內(nèi)容以判斷其用戶(hù)偏好并加以量化,及不同用戶(hù)對(duì)同一商品的評(píng)論內(nèi)容以判斷其商品屬性并加以量化,得到用戶(hù)和商品的深層非線(xiàn)性特征向量,并將這部分信息與傳統(tǒng)的基于評(píng)分矩陣的隱... 

【文章來(lái)源】：河北大學(xué)河北省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同的潛在特征維數(shù)K對(duì)性能的影響

第五章實(shí)驗(yàn)驗(yàn)證和相關(guān)分析49之后，算法性能的提升有限，相反的，隨著K的增加，會(huì)使算法訓(xùn)練的時(shí)間開(kāi)增加，因此綜合考慮當(dāng)K在16時(shí)算法性能最佳。并且本文提出的HRA-MR，在不同的K下都擁有優(yōu)秀的表現(xiàn)。(2)融合權(quán)重α對(duì)實(shí)驗(yàn)結(jié)果的影響設(shè)置α={0,0.1,0.2,…,1}，觀察其變化對(duì)RMSE和MAE值的影響如圖5-2所示：(a)α對(duì)RMSE的影響(b)α對(duì)MAE的影響圖5-2不同的混合權(quán)重α對(duì)性能的影響從圖中可以看出不同的α取值對(duì)算法性能的影響，當(dāng)α取值從0逐漸增長(zhǎng)到1的過(guò)程中，RMSE指標(biāo)呈現(xiàn)了先減少后增加的趨勢(shì)，并且當(dāng)α的取值在0.6附近時(shí)，RMSE取得了最小值，這時(shí)算法的性能最佳。(3)隱藏層數(shù)H對(duì)實(shí)驗(yàn)結(jié)果的影響我們?cè)O(shè)置隱藏層數(shù)為{1,2,3,4,5}，觀察其變化對(duì)RMSE值的影響如圖5-3所示：(a)H對(duì)RMSE的影響

河北大學(xué)碩士學(xué)位論文50(b)H對(duì)MAE的影響圖5-3不同的隱藏層數(shù)H對(duì)性能的影響從圖5-3中可以看出，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，RMSE和MAE兩個(gè)指標(biāo)都呈現(xiàn)了先減少后增加的趨勢(shì)，并且當(dāng)隱藏層數(shù)在3附近時(shí)，RMSE和MAE都取得了最小值，這時(shí)算法的性能最佳。這說(shuō)明在數(shù)據(jù)量充分的情況下，神經(jīng)網(wǎng)絡(luò)的層數(shù)增加會(huì)使用戶(hù)和商品特征的交互越充分，但是隨著隱藏層數(shù)量的不斷增加，由于過(guò)擬合現(xiàn)象，性能可能會(huì)降低。(4)Dropout率對(duì)實(shí)驗(yàn)結(jié)果的影響我們?cè)O(shè)置Dropout率為{0.1,0.3,0.5,0.7,0.9}，觀察其變化對(duì)RMSE值的影響如圖5-4所示：圖5-4不同的Dropout率對(duì)性能的影響如圖5-4，設(shè)置恰當(dāng)?shù)腄ropout率可以緩解過(guò)擬合問(wèn)題，提升模型性能，且Dropout率設(shè)置為0.5時(shí)，性能達(dá)到了最佳。(5)學(xué)習(xí)率δ對(duì)實(shí)驗(yàn)結(jié)果的影響

【參考文獻(xiàn)】：
期刊論文
[1]一種基于用戶(hù)播放行為序列的個(gè)性化視頻推薦策略[J]. 王娜,何曉明,劉志強(qiáng),王文君,李霞.  計(jì)算機(jī)學(xué)報(bào). 2020(01)
[2]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[4]基于內(nèi)容的推薦與協(xié)同過(guò)濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[5]基于隱式用戶(hù)反饋數(shù)據(jù)流的實(shí)時(shí)個(gè)性化推薦[J]. 王智圣,李琪,汪靜,印鑒.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[6]利用社交關(guān)系的實(shí)值條件受限玻爾茲曼機(jī)協(xié)同過(guò)濾推薦算法[J]. 何潔月,馬貝.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[7]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)



本文編號(hào)：3257570